جستجو
چارچوب یادگیری فدرال سبک برای تشخیص نفوذ در اینترنت اشیا با استفاده از انتخاب مبتنی بر ضریب همبستگی متیو و هرس وزنی
محمدرضا حسین نژاد قاضی محله1 دکتر علی بزرگمهر2
چکیده :
سیستمهای تشخیص نفوذ برای تأمین امنیت شبکههای اینترنت اشیا حیاتی هستند. یادگیری فدرال به عنوان رویکردی غیرمتمرکز و حریم خصوصی محور، امکان آموزش مدلهای تشخیص نفوذ را بدون اشتراکگذاری دادههای خام فراهم میکند. بااینوجود، روشهای تجمع رایج مانند FedAvg در مواجهه با توزیع دادههای غیریکسان کارایی خود را از دست میدهند. ازسویدیگر، محدودیت منابع در دستگاههای اینترنت اشیا، پیادهسازی مدلهای عمیق را با چالش مواجه میسازد. در این مقاله، یک چارچوب یادگیری فدرال سبک ارائه میشود که دو بهبود عملی را یکپارچه میسازد: (۱) انتخاب پویای کلاینتها بر اساس ضریب همبستگی متیو و ترکیب وزنی آنها با روش Softmax ، و (۲) هرس وزنی با نرخ ۲۰ درصد بهمنظور کاهش حجم مدل و سربار ارتباطی. مدل محلی یک شبکه عصبی کانولوشنال یکبعدی با معماری فشرده است. ارزیابی بر روی مجموعهدادههای شناخته شده N-BaIoT نشان میدهد که روش پیشنهادی بهدقت ۹۹٫۹۹٪، امتیاز F1 برابر ۹۹٫۹۹٪ و ضریب همبستگی متیو برابر ۹۹٫۹۸٪ بر روی مجموعهآزمون دست مییابد که از روشهای FedAvg، FedProx، FedAdam، FedAvgM و Pow-d بهتر عمل میکند. هرس وزنی نیز حدود ۲۰٪ کاهش مصرف حافظه را با افت ناچیز دقت به همراه دارد. این چارچوب راهکاری ساده، کارآمد و قابلاستقرار بر روی دستگاههای لبه با منابع محدود ارائه میدهد.
کلمات کلیدی : یادگیری فدرال سیستم تشخیص نفوذ اینترنت اشیا ضریب همبستگی متیو هرس وزنی شبکه عصبی کانولوشنال دادههای غیریکسان
زبان مقاله : فارسی
محور مقاله : امنيت
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری
آدرس وب سایت کنفرانس : itnaf.ir
کد IOI مقاله : AAHD-ABKGAG
لینک مستقیم مقاله : https://isnac.ir/AAHD-ABKGAG
سایر مقالات محل انتشار
- A Study on Design Understandability and Interaction of the therapy-specific Robots
- طراحی و مهندسی یک حسگر زیستی نوری چند مدی پلاسمونیک مبتنی بر تشدیدگرهای حلقه شکاف برای سنجش جامع آنتیژن
- طراحی یک اسیلاتورکنترل شونده با ولتاژ با نویز فاز بسیار پایین و بازه وسیع فرکانسی با تکنولوژی نانولوله کربنی برای کاربردهای PLL
- یک چارچوب هوشمند آگاه به زمینه برای ارتباطات V2V و V2Iدر شبکههای خودرویی شهرهای هوشمند با استفاده از دادههای ترافیکی شبکه سلولی
- An Ensemble Non-Dominated Feature Selection Method: A Case Study on Prostate Cancer
- تشخیص زودهنگام پوسیدگی دندان با استفاده از شبکههای عصبی
- Simulation and Performance Comparison of Torque Tube and LVDT Sensors in Displacer-Based Level Measurement Systems
- ارتقا سامانه ناوبری پهپاد مهاجر ۶ با استفاده از فناوری
- کاربرد نانوذرات مگنتیت (Fe3O4) در پزشکی (از سنتز تا عملکرد)
- Simulation and Modeling of Floating-Gate Non-Volatile Memory Performance: Focus on Oxide Thickness, Programming Speed, and Charge Transport Mechanisms
- Fraud Analytics with Big Data: A Literature Review on Machine Learning Algorithms in Bankruptcy Prediction and Financial Fraud Detection
- تحلیل آیندهپژوهانه همگرایی هوش مصنوعی، فناوری نانو و فناوری اطلاعات در مسیر تحول صنعتی آینده
- نقش تحول دیجیتال در خدمات کتابخانههای عمومی برای توانیابان جسمی و ذهنی
- Prediction and Optimization of Oxygen Production under Microgravity Conditions Using Machine Learning
- Simulation and Performance Comparison of Ultrasonic, Non-Contact Radar, and Guided Wave Radar Sensors in Level Measurement Systems